ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ ПРОГНОЗУВАННЯ КУРСУ КРИПТОВАЛЮТ НА ОСНОВІ КОМПЛЕКСНОЇ ІНЖЕНЕРІЇ ОЗНАК
DOI:
https://doi.org/10.31649/1997-9266-2022-161-2-81-93Ключові слова:
криптовалюта, інженерія ознак, прогнозування, інформаційна технологія, біткоїнАнотація
Розроблено інформаційну технологію прогнозування курсу криптовалют на основі комплексної інженерії ознак. Особливість цієї технології полягає в системному підході до відбору ознак. Проведено аналіз груп зовнішніх та внутрішніх факторів потенційного впливу на криптовалютний ринок. Аналіз ознак, які характеризують зміни курсу криптовалют, показав, що окрім базових первинних ознак, які доступні на багатьох криптобіржах, важливішими для подальшого прогнозування курсу криптовалют є вторинні ознаки, які отримують з базових первинних шляхом застосування до них різних математичних операцій та/або алгоритмічних трансформацій. Аналіз великої кількості джерел показав, що криптовалюти мають низку характерних особливостей, які й зумовили їх велику популярність і які теж варто враховувати під час формування та вибору ознак. В роботі проведена систематизація ключових таких особливостей, а також запропоновано яким чином їх формалізувати у вигляді ознак. Формалізувати ознаки запропоновано за системним підходом, згідно з постулатами технічної кібернетики, де говориться, що будь-який об’єкт дослідження можна представити у вигляді чорного ящика (ЧЯ), який контактує з зовнішнім середовищем у п’яти точках, що можуть у багатовимірному випадку бути множинами ознак чи змінних. Запропоновано загальну математичну модель формування цих факторів, яке полягає у генеруванні великої кількості вторинних ознак на основі простих математичних, алгоритмічних та статистичних трансформацій з подальшим відбором найрелевантніших з них. Технологія передбачає синтез нових вторинних ознак на основі інших вторинних ознак, за окремими винятками, які формалізовано у вигляді системи правил. Це дозволить зменшити перенавчання моделі та покращити її узагальнюючу здатність.
Для доведення працездатності розробленої технології розглянуто приклад її застосування на базі криптовалюти біткоїн за щодобовими даними 2020―2021 років. Проведені дослідження та комп’ютерні експерименти показали ефективність та працездатність запропонованої технології
Посилання
N. P. Patel, et al., “Fusion in Cryptocurrency Price Prediction: A Decade Survey on Recent Advancements, Architecture, and Potential Future Directions,” IEEE Access, vol. 10, pp. 34511-34538, 2022, https://doi.org/10.1109/ACCESS.2022.3163023.
M. Chen, and N. Narwal, “Predicting price changes in ethereum,” Int. J. Comput. Sci. Eng., vol. 4, pp. 975, Apr. 2017.
T. Phaladisailoed, and T. Numnonda, “Machine learning models comparison for bitcoin price prediction,” Proc. 10th Int. Conf. Inf. Technol. Electr. Eng. (ICITEE), Jul. 2018, pp. 506-511.
Bitcoin price prediction using Machine Learning. [Online]. Available: https://medium.com/@rohansawant7978/forecasting-of-bitcoin-price-using-machine-learning-deep-learning-techniques-93bf662f46ab. Accessed on: April 7, 2022.
E. Akyildirim, A. Goncu, and A. Sensoy, “Prediction of cryptocurrency returns using machine learning,” Annals of Operations Research, no. 297, pp. 3-36, 2021. https://doi.org/10.1007/s10479-020-03575-y.
Zheshi Chen, Chunhong Li and Wenjun Sun, “Bitcoin price prediction using machine learning: An approach to sample dimension engineering,” Journal of Computational and Applied Mathematics, v. 365, 2020. https://doi.org/10.1016/j.cam.2019.112395.
E. Almasri, and E. Arslan, “Predicting cryptocurrencies prices with neural networks,” in Proc. 6th Int. Conf. Control Eng. Inf. Technol. (CEIT), pp. 1-5, Oct. 2018.
Franco Valencia, Alfonso Gómez-Espinosa, and Benjamín Valdés-Aguirre. “Price Movement Prediction of Cryptocurrencies Using Sentiment Analysis and Machine Learning,” Entropy, 21, no. 6: 589, 2019. https://doi.org/10.3390/e21060589.
Mingxi Liu, Guowen Li, Jianping Li, Xiaoqian Zhu and Yinhong Yao, “Forecasting the price of Bitcoin using deep learning,” Finance Research Letters, vol. 40, issue C, 2021. https://doi.org/10.1016/j.frl.2020.101755.
Kaggle Competition “G-Research Crypto Forecasting,” 2021. [Online]. Available: https://www.kaggle.com/competitions/g-research-crypto-forecasting. Accessed on:April 7, 2022.
Blockchain & crypto. [Online]. Available: https://academy.binance.com. Accessed on: April 7, 2022.
Lukas Menkhoff. “The use of technical analysis by fund managers: International evidence,” Journal of Banking and Finance, vol. 34, issue 11, p. 2573-2586, 2010. https://doi.org/10.1016/j.jbankfin.2010.04.014.
Bitcoin technical analysis for beginners. [Online]. Available: https://www.moneycontrol.com/msite/wazirx-cryptocontrol-articles/bitcoin-technical-analysis-for-beginners/. Accessed on: April 7, 2022.
Major world market indices. [Online]. Available: https://www.investing.com/indices/major-indices. Accessed on: April 7, 2022.
Commodities trading: an overview. [Online]. Available: https://www.investopedia.com/investing/commodities-trading-overview. Accessed on: April 7, 2022.
Tsfresh documentation. [Online]. Available: https://tsfresh.readthedocs.io/en/latest/. Accessed on: April 7, 2022.
TSFEL documentation. [Online]. Available: https://tsfel.readthedocs.io/en/latest/. Accessed on: April 7, 2022.
Vitalii Mokin. Kaggle Notebook «BTC & COVID-19 in USA : EDA & Prediction», April 2022. [Online]. Available: https://www.kaggle.com/vbmokin/btc-covid-19-in-usa-eda-prediction . Accessed on: April 7, 2022.
Autofeat library. [Online]. Available: https://github.com/cod3licious/autofeat. Accessed on: April 7, 2022.
Featuretools. [Online]. Available: https://www.featuretools.com/. Accessed on: April 7, 2022.
Tsaug documentation. [Online]. Available: https://tsaug.readthedocs.io/en/stable/. Accessed on: April 7, 2022.
Gplearn documentation. [Online]. Available: https://gplearn.readthedocs.io/en/stable/. Accessed on: April 7, 2022.
Featuretools documentation. [Online]. Available: https://featuretools.alteryx.com/en/stable. Accessed on: April 7, 2022.
R. C. Phillips and D. Gorse, “Predicting cryptocurrency price bubbles using social media data and epidemic modelling,” Proc. IEEE Symp. Ser. Comput. Intell. (SSCI), pp. 1-7, Nov. 2017.
A. Aggarwal, I. Gupta, N. Garg and A. Goel, “Deep learning approach to determine the impact of socio economic factors on bitcoin price prediction,” Proc. 12th Int. Conf. Contemp. Comput. (IC3), pp. 1-5, Aug. 2019.
J. Abraham, D. Higdon, J. Nelson and J. Ibarra, “Cryptocurrency price prediction using tweet volumes and sentiment analysis,” SMU Data Sci. Rev., vol. 4, pp. 1, Apr. 2018.
M. M. Patel, S. Tanwar, R. Gupta and N. Kumar, “A deep learning-based cryptocurrency price prediction scheme for financial institutions,” J. Inf. Secur. Appl., vol. 55, Dec. 2020.
S. Khuntia and J. Pattanayak, “Adaptive market hypothesis and evolving predictability of bitcoin,” Econ. Lett., vol. 167, pp. 26-28, Dec. 2018.
C. Gurdgiev, and D. O’Loughlin, “Herding and anchoring in cryptocurrency markets: Investor reaction to fear and uncertainty,” J. Behav. Exp. Finance, vol. 25, Mar. 2020.
V. L. Tran, and T. Leirvik, “Efficiency in the markets of crypto-currencies,” Finance Res. Lett., vol. 35, Aug. 2020.
O. Angela, and Y. Sun, “Factors affecting cryptocurrency prices: Evidence from ethereum,” Proc. Int. Conf. Inf. Manage. Technol. (ICIMTech), pp. 318-323, Aug. 2020.
Vitalii Mokin, Kaggle Notebook “BTC & Gold : EDA,” 2022. [Online]. Available: https://www.kaggle.com/code/vbmokin/btc-gold-eda. Accessed on: April 7, 2022.
Bitcoin rainbow price chart. [Online]. Available: https://www.blockchaincenter.net/bitcoin-rainbow-chart/. Accessed on: April 7, 2022.
Б. І. Мокін, В. Б. Мокін, і О. Б. Мокін. «Практикум для самостійної роботи студентів з навчальної дисципліни «Методологія та організація наукових досліджень,» Частина 1: від постановки задачі до синтезу та ідентифікації математичної моделі». Вінниця, Україна: ВНТУ, 2018, 179 с. [Електронний ресурс]. Режим доступу: https://ecopy.posibnyky.vntu.edu.ua/txt/2018/Mokin_Pos_%D0%A1%D0%A0%D0%A1_%D0%9C%D0%9E%D0%9D%D0%94%20-%20p008.pdf. Дата звернення: Квітень 7, 2022.
AutoML documentation. [Online]. Available: https://www.automl.org/automl/. Accessed on: April 7, 2022.
Time series made easy in Python. [Online]. Available: https://unit8co.github.io/darts/. Accessed on: April 7, 2022.
В. Б. Мокін, О. В. Слободянюк, О. М. Давидюк, і Д. О. Шмундяк, «Інформаційна технологія пошуку можливих джерел підвищеного забруднення річки з використанням моделі Prophet,» Вісник Вінницького політехнічного інституту, № 4, с. 15-24, 2020. https://doi.org/10.31649/1997-9266-2020-151-4-15-24.
О. Б. Мокін, В. Б. Мокін, і Б. І. Мокін, «Метод ідентифікації моделі авторегресії-ковзного середнього АРКС(Р,Q) з довільними значеннями порядків Р, Q, який узагальнює методику Юла–Уокера,» Наукові праці Вінницького національного технічного університету, № 2, 2014.
Pratik Gandhi, 7 libraries that help in time-series problems, 2021. [Online]. Available: https://towardsdatascience.com/7-libraries-that-help-in-time-series-problems-d59473e48ddd. Accessed on: April 7, 2022.
Vitalii Mokin, Kaggle Notebook. “BTC Growth Forecasting with Advanced FE for OHLC.” [Electronic resource]. Available: https://www.kaggle.com/code/vbmokin/btc-growth-forecasting-with-advanced-fe-for-ohlc.
##submission.downloads##
-
pdf
Завантажень: 365
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).
